近年来为研究有限样本情况下的统计模式识别和更广泛的机器学习问题,发展了一种新的模式识别方法——支持向量机,它能够较好的解决小样本学习问题.支持向量机是一个典型的两类模式分类器,对于多类模式下的研究还是一个开放性的问题,因而该文的重点集中于多类模式下的支持向量机的研究,包括对支持向量机的核空间理论和优化算法的相关研究及其在笔迹鉴定中的应用.笔迹鉴定在安全保卫和司法等方面有重要的现实意义.联机的笔迹鉴定技术已趋于成熟,但是脱机的文本无关的笔迹鉴定还处在研究阶段,将多类模式的文本无关的笔迹鉴定推向应用的主要问题是训练样本的有限和识别正确率之间的矛盾,多类模式下的支持向量机可以较好的解决这个矛盾.该文的研究内容有:支持向量机的核空间理论和优化算法的选择;在原有算法的基础上,提出了一种通过支持向量机的两类模式构造多类模式下的分类器的方法;将支持向量机作为分类器引入到文本无关的笔迹鉴定系统的研究中;同时对笔迹图像的预处理过程提出了相应的改进算法.在该文的实验中,采集到17个人文本内容不同的笔迹图像作为实验对象.在小样本训练空间的前提下,通过和传统的模式分类方法比较(例如:加权欧氏距离),采用支持向量机的笔迹鉴定系统的正确率可以提高10％左右.该文的部分结果,曾在第11届全国图像图形学术论文会议上宣读,并在核心期刊《小型微型计算机系统》上发表.从初步的实验结果看,支持向量机理论为脱机的笔迹鉴定系统推向应用提供了一个有效的方法.